경제 에이전트에서 에이전트 경제로: 경제 세계 모델을 위한 시스템 설계도

초록

경제 세계 모델(EWM)은 이질적 에이전트, 그들의 신념과 행동, 그리고 이들의 상호작용이 총체적 결과를 산출하는 시장 및 제도적 메커니즘을 모델링함으로써 경제가 내부로부터 어떻게 진화하는지를 시뮬레이션하는 생성적 경제 모델이다. 본 논문은 이질적 에이전트가 행동하고, 상호작용하며, 적응하고, 시장 및 제도와 공진화함으로써 경제 역학을 내부로부터 생성하는 생성 엔진으로서 경제 세계 모델을 구축하기 위한 구현 로드맵을 개발한다. 우리는 EWM 시스템을 고정 규칙 기반 에이전트 세계에서 적응형 및 LLM 기반 에이전트 세계, 자기 진화 에이전트, 진화하는 제도적 세계, 그리고 실제 관측과 정합되는 시뮬레이션-실제 경제 트윈에 이르기까지 6단계 역량 사다리로 체계화한다. 이러한 단계에 걸친 체계적 문헌 조사는 기존 연구가 하위 수준의 에이전트 및 시뮬레이션 환경에 집중되어 있는 반면, 자기 진화 에이전트, 내생적 제도, 지속적 실증 정합, 그리고 검증된 경제 메커니즘을 갖춘 시스템은 여전히 드물다는 것을 보여준다. 본 논문은 EWM 의제를 구현 청사진으로 전환함으로써, 인간 의사결정자를 위한 고충실도 샌드박스이자 AI 에이전트를 위한 훈련, 계획, 평가 및 안전성 기반으로 기능할 수 있는 차세대 경제 시뮬레이션 환경의 개발을 가속화하는 것을 목표로 한다. 우리는 향후 연구를 지원하기 위해 선별된 논문 목록과 관련 자원을 공개한다.

English

Economic World Models (EWMs) are generative economic models that simulate how economies evolve from within by modeling heterogeneous agents, their beliefs and actions, and the market and institutional mechanisms through which their interactions produce aggregate outcomes. This paper develops an implementation roadmap for building economic world models as generative engines in which heterogeneous agents act, interact, adapt, and co-evolve with markets and institutions, thereby producing economic dynamics from the inside. We organize EWM systems into a six-level capability ladder, from fixed rule-based agent worlds to adaptive and LLM-based agent worlds, self-evolving agents, evolving institutional worlds, and sim-to-real economic twins aligned with real observations. A systematic literature survey across these levels reveals that existing work remains concentrated in lower-level agent and simulation environments, while systems with self-evolving agents, endogenous institutions, persistent empirical alignment, and validated economic mechanisms remain rare. By translating the EWM agenda into an implementation blueprint, this paper aims to accelerate the development of the next generation of economic simulation environments that can serve as high-fidelity sandboxes for human decision-makers and as training, planning, evaluation, and safety substrates for AI agents. We release a curated paper list and related resources to support future research.